モバイルマニピュレーションの突破口：失敗診断からエージェント型ロボットシステムへ

本論文は、long-horizon mobile manipulation における VLA モデルの性能ギャップを failure diagnosis に基づいて解消する agentic robot system を提案する。pretrained subtask VLA は atomic manipulation で 80% 成功するが、mobile manipulation に組み合わせると 19% に低下する。この原因を実行過程の失敗と捉え、task planning、navigation and base positioning、local manipulation の 3 領域に診断し、failure-guided agentic intervention を開発。RoboCasa365 で 19%→47%、held-out episode seeds で 49%（baseline 18%）、BEHAVIOR-1K で 14%→37%、real-robot で 5/20→13/20 を達成。

従来の VLA モデルは local robot manipulation で高い性能を示すが、long-horizon mobile manipulation にはその成功が直接転移しない。本研究は、単に基盤 policy を均一にスケールするのではなく、実行過程の失敗を診断し、現在のボトルネックに介入する点が新しい。これにより、固定された subtask VLA を拡張し、RoboCasa365 で 19%→49%、BEHAVIOR-1K で 14%→37%、real-robot で 5/20→13/20 と大幅に改善。failure-guided agentic intervention という枠組みを提示した点が先行研究と異なる。

技術の肝は、long-horizon mobile manipulation の失敗を task planning、navigation and base positioning、local manipulation の 3 領域に分類し、それぞれに対して failure-guided agentic intervention を行う点。具体的には、demonstration-based planning guidance、adaptive visual memory、accessibility-aware base adjustment、local end-effector adjustment を固定 subtask VLA に追加する。これにより、基盤 policy を再学習せずに、実行過程のボトルネックを逐次解消する。

RoboCasa365 において、介入を段階的に適用することで task success が 19% から 47% に向上し、最終システムは held-out episode seeds で 49% を達成（baseline は 18%）。さらに BEHAVIOR-1K で 14% から 37% へ、real-robot tasks で 5/20 から 13/20 へ改善することを確認。これらの実験により、failure-guided agentic intervention の有効性を検証している。

本論文は、信頼性の高い mobile manipulation を進展させるには、基盤 policy を均一にスケールするのではなく、現在のボトルネックを診断し介入することが重要だと主張する。ただし、failure diagnosis の一般性や、他のタスク・環境への転移可能性、介入の設計コストなどについては要旨からは不明。また、real-robot での評価は 20 試行中 13 成功であり、さらなる改善の余地がある。

要旨で参照/比較されている研究として、vision-language-action (VLA) モデル、pretrained subtask VLA、RoboCasa365、BEHAVIOR-1K が挙げられる。関連手法として、long-horizon mobile manipulation における task planning、navigation and base positioning、local manipulation の既存研究や、agentic intervention を用いたロボットシステムの論文を読むべき。具体的な論文名は要旨からは不明。